Neural
Network merupakan kategori ilmu Soft Computing. Neural Network sebenarnya
mengadopsi dari kemampuan otak manusia yang mampu memberikan
stimulasi/rangsangan, melakukan proses, dan memberikan output. Output diperoleh
dari variasi stimulasi dan proses yang terjadi di dalam otak manusia. Kemampuan
manusia dalam memproses informasi merupakan hasil kompleksitas proses di dalam
otak. Misalnya, yang terjadi pada anak-anak, mereka mampu belajar untuk
melakukan pengenalan meskipun mereka tidak mengetahui algoritma apa yang
digunakan. Kekuatan komputasi yang luar biasa dari otak manusia ini merupakan
sebuah keunggulan di dalam kajian ilmu pengetahuan.
Fungsi dari
Neural Network diantaranya adalah:
- Pengklasifikasian pola
- Memetakan pola yang didapat dari
input ke dalam pola baru pada output
- Penyimpan pola yang akan
dipanggil kembali
- Memetakan pola-pola yang sejenis
- Pengoptimasi permasalahan
- Prediksi
Sejarah
Neural Network
Perkembangan
ilmu Neural Network sudah ada sejak tahun 1943 ketika Warren McCulloch dan
Walter Pitts memperkenalkan perhitungan model neural network yang pertama kalinya.
Mereka melakukan kombinasi beberapa processing unit sederhana
bersama-sama yang mampu memberikan peningkatan secara keseluruhan pada kekuatan
komputasi.
Gambar 2.1
McCulloch & Pitts, penemu pertama Neural Network
Hal ini
dilanjutkan pada penelitian yang dikerjakan oleh Rosenblatt pada tahun 1950,
dimana dia berhasil menemukan sebuah two-layer network, yang
disebut sebagai perceptron. Perceptron memungkinkan untuk pekerjaan
klasifikasi pembelajaran tertentu dengan penambahan bobot pada setiap koneksi
antar-network.
Gambar 2.2
Perceptron
Konsep
Neural Network
1.
Proses Kerja Jaringan Syaraf Pada Otak Manusia
Ide dasar
Neural Network dimulai dari otak manusia, dimana otak memuat sekitar 1011 neuron.
Neuron ini berfungsi memproses setiap informasi yang masuk. Satu neuron
memiliki 1 akson, dan minimal 1 dendrit. Setiap sel syaraf terhubung dengan
syaraf lain, jumlahnya mencapai sekitar 104 sinapsis.
Masing-masing sel itu saling berinteraksi satu sama lain yang menghasilkan
kemampuan tertentu pada kerja otak manusia.
Gambar 2.3
Struktur Neuron pada otak manusia
Dari gambar
di atas, bisa dilihat ada beberapa bagian dari otak manusia, yaitu:
- Dendrit (Dendrites)
berfungsi untuk mengirimkan impuls yang diterima ke badan sel syaraf.
- Akson (Axon) berfungsi
untuk mengirimkan impuls dari badan sel ke jaringan lain
- Sinapsis berfungsi sebagai unit
fungsional di antara dua sel syaraf.
Proses yang
terjadi pada otak manusia adalah:
Sebuah
neuron menerima impuls dari neuron lain melalui dendrit dan mengirimkan sinyal
yang dihasilkan oleh badan sel melalui akson. Akson dari sel syaraf ini
bercabang-cabang dan berhubungan dengan dendrit dari sel syaraf lain dengan
cara mengirimkan impuls melalui sinapsis. Sinapsis adalah unit fungsional
antara 2 buah sel syaraf, misal A dan B, dimana yang satu adalah serabut akson
dari neuron A dan satunya lagi adalah dendrit dari neuron B. Kekuatan sinapsis
bisa menurun/meningkat tergantung seberapa besar tingkat propagasi (penyiaran)
sinyal yang diterimanya. Impuls-impuls sinyal (informasi) akan diterima oleh
neuron lain jika memenuhi batasan tertentu, yang sering disebut dengan nilai
ambang (threshold).
2.
Struktur Neural Network
Dari
struktur neuron pada otak manusia, dan proses kerja yang dijelaskan di atas,
maka konsep dasar pembangunan neural network buatan (Artificial Neural
Network) terbentuk. Ide mendasar dari Artificial Neural Network (ANN)
adalah mengadopsi mekanisme berpikir sebuah sistem atau aplikasi yang
menyerupai otak manusia, baik untuk pemrosesan berbagai sinyal elemen yang
diterima, toleransi terhadap kesalahan/error, dan juga parallel
processing.
Gambar 2.4
Struktur ANN
Karakteristik
dari ANN dilihat dari pola hubungan antar neuron, metode penentuan bobot dari
tiap koneksi, dan fungsi aktivasinya. Gambar di atas menjelaskan struktur ANN
secara mendasar, yang dalam kenyataannya tidak hanya sederhana seperti itu.
- Input, berfungsi seperti
dendrite
- Output, berfungsi seperti akson
- Fungsi aktivasi, berfungsi
seperti sinapsis
Neural
network dibangun dari banyak node/unit yang dihubungkan oleh link secara
langsung. Link dari unit yang satu ke unit yang lainnya digunakan untuk
melakukan propagasi aktivasi dari unit pertama ke unit selanjutnya. Setiap link
memiliki bobot numerik. Bobot ini menentukan kekuatan serta penanda dari sebuah
konektivitas.
Proses pada
ANN dimulai dari input yang diterima oleh neuron beserta dengan nilai bobot
dari tiap-tiap input yang ada. Setelah masuk ke dalam neuron, nilai input yang
ada akan dijumlahkan oleh suatu fungsi perambatan (summing function),
yang bisa dilihat seperti pada di gambar dengan lambang sigma (∑). Hasil
penjumlahan akan diproses oleh fungsi aktivasi setiap neuron, disini akan
dibandingkan hasil penjumlahan dengan threshold (nilai ambang)
tertentu. Jika nilai melebihi threshold, maka aktivasi neuron akan
dibatalkan, sebaliknya, jika masih dibawah nilaithreshold, neuron akan
diaktifkan. Setelah aktif, neuron akan mengirimkan nilai output melalui
bobot-bobot outputnya ke semua neuron yang berhubungan dengannya. Proses ini
akan terus berulang pada input-input selanjutnya.
ANN terdiri
dari banyak neuron di dalamnya. Neuron-neuron ini akan dikelompokkan ke dalam
beberapa layer. Neuron yang terdapat pada tiap layer dihubungkan dengan neuron
pada layer lainnya. Hal ini tentunya tidak berlaku pada layer input dan output,
tapi hanya layer yang berada di antaranya. Informasi yang diterima di layer
input dilanjutkan ke layer-layer dalam ANN secara satu persatu hingga mencapai
layer terakhir/layer output. Layer yang terletak di antara input dan output
disebut sebagai hidden layer. Namun, tidak semua ANN memiliki
hidden layer, ada juga yang hanya terdapat layer input dan output saja.
Penerapan
Artifical Neural Network
Artificial
Neural Network (Jaringan Syaraf Tiruan), dimana dalam sepuluh tahun terakhir
pengaplikasiannya telah banyak dikembangkan di berbagai bidang dalam kehidupan
manusia. Seperti contoh Aplikasi Adaptive Inteligent System adalah Sistem
mengenali Panas, Hangat, dan Dingin Menggunakan Jaringan Syaraf Tiruan dan
Himpunan Fuzzy begitu juga seperti Adaptive Noise Canceling yang menggunakan
jaringan syaraf tiruan untuk membersihkan gangguan pada telephone (dikenal
dengan echo) dan mengurangi kesalahan tranmisi modem dll.
Salah satu contoh nya bisa dilihat saya mengambil dari
jurnal www.ejournal.himsya.ac.id/index.php/HIMSYATECH/article/view/45/40
Dalam perkembangannya, ilmu Kecerdasan
Buatan atau Artificial Intelligence (AI) telah banyak diterapkan pada teknologi
komputer dalam menyelesaikan suatu masalah yang umumnya memerlukan pemikiran
seorang ahli, dan ANN Perceptron merupakan salah satu dari metode AI yang telah
terbukti cukup handal untuk digunakan sebagai teknik pengenalan atau
pengindentifikasian.Tujuan dari dibuatnya karya tulis ilmiah ini adalah untuk
menerapkan metode Jaringan Syaraf Tiruan atau Artificial Neural Network dengan
algortima Perceptron dalam menentukan penyakit cacar daun dan bercak daun pada
daun tembakau serta daun cengkeh, dimana sampel daun-daun tersebut dianalisis
melalui kedelapan gejala atau ciri yang ditimbulkannya.
Tahapan awal yang
dilakukan yaitu mengumpulkan beberapa sampel daun tembakau dan daun cengkeh,
baik yang terkena penyakit maupun tidak. Kemudian mengelompokkan gejala atau
ciri khusus yang ditimbulkan pada setiap daunnya dari penyakit cacar daun dan
bercak daun. Ciri penyakit yang positif terlihat pada masing-masing daun akan
direpresentasikan dengan nilai bipolar [1, -1], dimana ciri tersebut akan
digunakan sebagai nilai masukan pada tahap pelatihan (training) dan pengujian
(testing) dalam metode ANN.
Dari hasil pengujian terhadap sampel sebanyak 20
daun untuk tahap training dan 10 sampel daun untuk tahap testing, dengan
perbandingan penyakit bercak daun dan cacar daun adalah 50 : 50, learning rate
sebesar 0,7, lapisan masukan sebanyak 8 buah, dan 1 buah lapisan luaran,
didapat bahwa metode ANN Perceptron memiliki persentase keberhasilan pengenalan
penyakit sebesar 61% - 73% untuk data non-learning, dan 100% untuk data
learning pada kedua jenis daun tersebut.
Sumber / referensi :
- http://socs.binus.ac.id/2012/07/26/konsep-neural-network/
- www.ejournal.himsya.ac.id/index.php/HIMSYATECH/article/view/45/40
Komentar
Posting Komentar